• Tidak ada hasil yang ditemukan

Data dan Sumbernya

Data yang digunakan dalam penelitian ini adalah data runtun waktu kuartalan (triwulanan), mulai kuartal II tahun 1999 sampai kuartal II tahun 2014. pengambilan data tersebut disesuaikan dengan kebutuhan minimum data deret waktu yang diperlukan serta kebutuhan untuk menjawab tujuan penelitian sesuai dengan kerangka pemikiran yang telah diuraikan. Oleh karena itu, untuk mengetahui pengaruh utang pemerintah terhadap pertumbuhan dan variabel makro ekonomi dalam penelitian ini digunakan delapan variabel, yaitu :

Kebijakan Fiskal

Penerimaan Pengeluaran

GDP dan Variabel Makro lainnya

Defisit Seimbang Surplus

Utang Privatisasi Seignorage

AD-AS Beban Utang

dan Bunga Utang

19 1. Jumlah (outstanding) Utang Pemerintah (government debt) untuk

mengukur perkembangan/perubahan utang pemerintah.

2. Jumlah (outstanding) utang dalam bentuk SBN untuk mengukur perkembangan/perubahan utang pemerintah dalam bentuk SBN.

3. Jumlah (outstanding) utang dalam bentuk pinjaman untuk mengukur perkembangan/perubahan utang pemerintah yang berupa pinjaman.

4. PDB riil, merupakan produk domestik bruto Indonesia dengan menggunakan tingkat harga tahun dasar. Untuk mengetahui fluktuasi output/business cycle.

5. Nilai tukar riil domestic atau kurs (e), merupakan tingkat nilai tukar Rupiah terhadap US $ (Rp/US $), diambil dari kurs tengah BI.

6. Tingkat suku bunga acuan nominal (r), yaitu tingkat suku bunga acuan (kombinasi suku bunga SBI 1 bulanan dan BI rate). Suku Bunga nominal merupakan variabel eksogen yang dapat dikendalikan otoritas moneter. 7. Ekspor bersih riil (net ekspor riil), yakni hasil pengurangan ekspor riil

dikurangi impor riil

Variabel-variabel dalam bentuk angka indeks disesuaikan dengan tahun dasar yang sama yaitu tahun dasar 2000 (2000=100). Seluruh data yang digunakan dalam penelitian ini adalah data sekunder. Yang merupakan data time series triwulanan. Untuk keperluan analisis semua data kecuali suku bunga diubah dalam bentuk log. Secara rinci sumber data yang digunakan dalam penelitian ini dicantumkan dalam Tabel 2.

Tabel 2 Jenis dan sumber data

No. Jenis Data Sumber

1 Jumlah Utang Pemerintah Kementerian Keuangan

2 SBN Kementerian Keuangan

3 Pinjaman Pemerintah Kementerian Keuangan

4 PDB Riil Badan Pusat Statistik (BPS)

5 Nilai Tukar Riil Fx Sauder

6 SBI Nominal SEKI Bank Indonesia

7 Net Ekspor riil Badan Pusat Statistik (BPS)

Jumlah utang yang besar baik pokok maupun bunganya akan memberikan beban bagi keuangan pemerintah, maka sudah seharusnya utang memberikan dampak positif terhadap pertumbuhan ekonomi. Utang digunakan untuk membiayai defisit APBN akibat meningkatnya pengeluaran pemerintah yang dapat mendorong output atau pertumbuhan ekonomi secara riil. Namun, sebagian

20

besar penelitian terdahulu justru menunjukan bahwa beban utang pemerintah memiliki hubungan negatif terhadap pertumbuhan ekonomi. Jumlah utang pemerintah dalam penelitian ini yang merupakan jumlah dari SBN dan pinjaman sebagaimana data yang tercatat pada Direktorat Jendral Pengelolaan Utang (DJPU) Kementrian Keuangan berdasarkan Undang-Undang nomor 1 tahun 2004. PDB riil menggambarkan output yang dihasilkan suatu negara. Nilai tukar riil digunakan dalam penelitian ini karena cukup berpengaruh terhadap beban utang suatu negara khususnya utang luar negeri. Nilai tukar berpengaruh negatif terhadap beban utang suatu negara. Sehingga, apabila mata uang domestik terdepresiasi maka beban utang akan meningkat begitu juga sebaliknya jika utang luar negeri meningkat maka permintaan dolar meningkat sehingga nilai tukar terdepresiasi. Nilai tukar juga berpengaruh positif terhadap net ekspor yang nantinya dapat mendorong pertumbuhan. Beban utang yang semakin besar berpengaruh positif terhadap suku bunga yang dapat meningkatkan ketergantungan terhadap tabungan asing dan mengurangi pertumbuhan ekonomi. Utang berpengaruh negatif terhadap ekspor neto kususnya untuk utang dalam negeri, karena investasi untuk menghasilkan output di dalam negeri berkurang dan megunakan barang impor untuk memenuhi kebutuhan dalam negeri.

Model Persamaan dan Variabel-variabel

Berikut adalah model persamaan yang digunakan untuk melihat keterkaitan Utang Pemerintah terhadap pertumbuhan dan variabel makro ekonomi.

Persamaan utang pemerintah :

21 Keterangan :

sb_acuan = suku bunga acuan Bank Indonesia lxrate = logaritma natural nilai tukar riil lpdb = logaritma natural PDB

lutang = logaritma natural Utang Pemerintah lloan = logaritma natural pinjaman pemerintah lsbn = logaritma natural surat berharga negara lekspor = logaritma natural ekspor bersih

ci = intercept, dimana ; i(1,2,..) αij = lag operator, dimana ; i,j(1,2,..) εiu = guncangan acak, dimana ; i(1,2,..)

Pengurutan variabel pada model, didasarkan pada faktorisasi Cholesky, dimana variabel yang relatif paling sulit dipengaruhi variabel lain diletakan paling awal. Sementara variabel yang tidak memiliki nilai prediksi terhadap variabel lain diletakan paling belakang. Variabel yang memiliki korelasi prediksi terhadap variabel lain diletakan berdampingan satu sama lain. Hal ini dilakukan karena VD dan IRF sangat sensitif terhadap pengurutan variabel. Untuk memenuhi kebutuhan ordering ini bisa dilakukan melalui uji kausalitas Granger.

Metode Analisis

Vector Auto Regressive(VAR)

Penelitian ini akan menggunakan metode VAR, yaitu suatu sistem persamaan yang memperlihatkan setiap peubah sebagai fungsi dari konstanta dan nilai lag dari peubah itu sendiri serta nilai lag yang lain dari peubah lain yang ada dalam sistem itu sendiri. Jika data yang digunakan stasioner dan tidak terkointegrasi maka metode VAR yang digunakan tetapi, jika data yang digunakan tidak stasioner namun terkointegrasi maka VECM yang digunakan.

Menurut Arsana (2005), VAR tidak berbeda dengan tahapan persamaan simultan. VAR juga perlu melakukan identifikasi persamaan sebelum melakukan estimasi model. Kondisi overidentified akan diperoleh jika jumlah informasi yang dimiliki melebihi jumlah parameter yang ingin diestimasi. Jika jumlah informasi yang dimiliki melebihi jumlah parameter yang diestimasi sama, akan diperoleh kondisi exactly identified atau just identified. Sementara jika jumalah informasi kurang dari jumlah parameter yang diestimasi akan tercipta kondisi underidentified. Hasil identifikasi pada sebuah sistem persamaan simultan menjadi penting karena pengaruhnya pada proses estimasi. Proses estimasi hanya dapat dilakukan pada kondisi overidentified dan just identified.

Terdapat beberapa kelebihan dan kelemahan metode VAR menurut Nachrowi dan Usman (2006). Kelebihan metode VAR antara lain:

1. Model VAR adalah model yang sederhanadan tidak perlu membedakan mana variable yang endogen dan mana yang eksogen. Semua variabel pada model VAR dapat dianggap sebagai variabel endogen

2. Cara estimasi model VAR sabgat mudah, yaitu dengan menggunakan OLS pada setiap persamaan secara terpisah

22

3. Peramalan menggunakan model VAR pada beberapa hal lebih baik dibaanding menggunakan model dalam persamaan simultan yang lebih kompleks

Sekalipun memiliki banyak kelebihan, model VAR tetap mempunyai sisi lemah. Adapun beberapa kelemahan yang dimiliki nodel VAR antara lain:

2. Model VAR lebih bersifat ateoritik karena tidak memanfaatkan informasi atau teori terdahulu. Oleh karenanya, model tersebut sering disebut sebagai model yang tidak struktural

3. Mengingat tujuan utama model VAR untuk peramalan, maka model VAR kurang cocok untuk analisis kebijakan

4. Pemilihan banyaknya lag yang digunakan dalam persamaan juga dapat menimbulkan permasalahan. Misal kita memiliki tiga variabel bebas yang masing-masing memiliki lag sebanyak delapan, maka parameter yang harus diestimasi sebanyak 24 buah. Untuk kepentingan tersebut maka data atau pengamatan yang harus dimiliki relative lebih banyak.

Vector Error Correction Model (VECM)

VECM merupakan bentuk VAR yang terestriksi. Retriksi tambahan ini harus diberikan karena keberadaan bentuk data yang tidak stasioner namun terintegrasi. VECM kemudian memanfaatkan informasi restriksi kointegrasi tersebut kedalam spesifikasinya. Karena itulah VECM sering disebut sebagai desain VAR bagi series non stasioner yang memiliki hubungan kointegrasi.

Spesifikasi VECM merestriksi hubungan jangka panjang variabel-variabel endogen agar konvergen kedalam hubungan kointegrasinya, namun tetap membiarkan keberadaan dinamisasi jangka pendek. Istilah kointegrasi dikenal juga sebagi error, karena deviasi terhadap keseimbangan jangka panjang dikoreksi secara bertahap melalui series parsial penyesuaian jangka pendek

Model VECM disusun apabila rank kointegrasi (r) lebih besar dari nol. Model VECM ordo p dan rank kointegrasi r dituliskan sebagai :

………(3.1)

dimana : π = αβ,

β = vektor kointegrasi berukuran r x 1, α = vektor adjustment berukuran r x 1,

Pendugaan parameter dilakukan dengan menggunakan metode kemungkinan maksimum. Model VECM dapat ditulis dalam model VAR dengan menguraikan nilai diferensiasi :

Δyt = yt-yt-1 ……….(3.2)

Uji Akar Unit (Unit Root Test)

Hal penting yang berkaitan dengan studi atau penelitian yang menggunakan data time series adalah stasioneritas. Penguji ini sangat penting agar tidak terjadi regresi yang semu (spurious regression) apabila data tersebut tidak stasioner. Data

23 deret waktu dikatakan stasioner jika data menunjukan pola yang konstan dari waktu ke waktu, dengan kata lain tidak terdapat pertumbuhan atau penurunan pada data.

Ada beberapa cara yang dapat dilakukan untuk mengukur keberadaan stasioneritas, salah satunya dengan Augmented Dickey-Fuller (ADF) test. Jika nilai dari ADF statistiknya lebih kecil dari MacKinnon Critical Value maka data tersebut stasioner. Hasil series yang stasioner berujung pada penggunaan VAR dengan metode standar. Apabila hasi series tidak stasioner pada tingkat level, maka harus dilakukan penarikan diferensial dengan melakukan pengujian pada tingkat first difference atau second difference sampai data stasioner. Metode VAR kemudian dikombinasikan dengan VECM.

Penetapan Lag Optimal

Terdapat beberapa tahap pengujian yang dilakukan untuk memperoleh panjang lag optimal. Pada tahap pertama, akan dilihat panjang lag maksimum sistem VAR yang stabil. Stabilitas sistem VAR dilihat darinilai inverse roots karakteristik AR polinomialnya. Sistem VAR dikatakan stabil jika seluruh roots- nya memiliki modulus lebih kecil dari satu dan semuanya terletak pada unit circle.

Pada tahap kedua, panjang lag optimal akan dicari dengan menggunakan kriteria Akaike Information Criteria (AIC) dan Scwhwarz Information Criteria (SIC) yang dirumuskan sebagai berikut:

AIC(k) = -2( ………...(3.3)

AIC(k) = -2( ……….………...(3.4)

dimana I adalah nilai dari fungsi log likelihood dan k adalah jumlah parameter yang diestimasi dengan menggunakan T pengamatan. Untuk menetapkan lag yang paling optimal, model VAR harus diestimasi dengan tingkat lag yang berbeda-beda, kemudian dibandingkan nilai AIC atau SICnya. Nilai AIC atau SIC yang paling kecil dipakai sebagai acuan dalam penentuan tingkat lag paling optimal.

Uji Kointegrasi ( Cointegration Test)

Kointegrasi merupakan suatu hubungan jangka panjang antara variabel- variabel yang stasioner pada derajat integrasi yang sama. Konsep kointegrasi menyatakan bahwa jika satu variabel atau lebih tidak stasioner terkointegrasi, maka kombinasi linier antara variabel dalam sistem akan bersifat stasioner, sehingga dapat diperoleh sistem persamaan jangka panjang yang stabil (Enders, 2004)

Pengujian kointegrasi dilakukan dengan manggunakan lag optimum yang telah didapat dari pengujian sebelumnya. Untuk dapat menentukan asumsi deterministik yang digunakan dalam pembentukan persamaan kointegrasi, maka perlu dilakukan uji kointegrasi dengan menggunakan asumsi summary. Setelah menentukan asumsi deterministik berdasarkan criteria AIC dan SIC, pengujian kointegrasi dapat dilakukan untuk melihat jumlah kointegrasi sistem persamaan.

24

Pada dasarnya terdapat beberapa cara untuk melakukan uji kointegrasi, yaitu uji kointegrasi Engle-Granger dan uji kointegrasi Johansen (Masyito, 2006). Namun pola penelitian ini uji kointegrasi yang digunakan yaitu uji kointegrasi Johansen (Johansen Cointegration Test)

Impulse Response Function (IRF)

Sims menyatakan bahwa cara yang paling baik dalam mencirikan struktur dinamis pada model adalah dengan menganalisa respon dari model terhadap guncangan (shock). IRF dapat melakukan ini dengan menunjukan bagaimana respon dari setiap variabel endogen itu sendiri dan variabel lainnya

Brooks (2002) berpendapat bahwa IRF melacak respon dari variabel dependen dala VAR terhadap guncangan dari variabel-variabel lain. Jadi, untuk setiap variabel dari masing-masing persamaan yang terpisah, suatu guncangan diaplikasikan kepada error dan effeknya terhadap sistem VAR untuk beberapa waktu tercatat. Karenanya apabila terdapat g variabel dalam sistem, total dari g2 Impulse Response dapat diketahui

Forecast Error Variance Decomposisition (FEVD)

Brooks (2002)manyatakan bahwa FEVD merupakan metode yang sedikit berbeda untuk mengalisis dinamika sistem VAR. FEVD memberi proporsi pergerakan dalam dalam variabel-variabel dependen yang terkait dengan guncangan dari variabel itu sendiri, disamping terhadap guncangan dari variabel- variabel lainnya. Suatu guncangan terhadap variabel ke-1 tentunya akan berpengaruh langsung terhadap variabel tersebut, namun juga akan ditranmisikan kepada semua variabel lainnya dalam sistem melalui struktur dinamis dari VAR. FEVD menetukan berapa banyak s langkah ke depan mampu meramalkan error variance dari variabel yang dijelaskan terhadap guncangan dari variabel-variabel lain, pada s=1,2,…. Dalam prakteknya, biasanya guncangan dari variabel itu sendiri dijelaskan sebagian besar (peramalan) error Variance dari sistem VAR.

Fakta Empirik Business Cycle

Fakta empirik yang telah teruji (stylized fact) business cycle Indonesia dianalisis dengan memisahkan komponen trend dan komponen siklikal dari data deret waktu (time series) ekonomi makro. Komponen siklikal variabel ekonomi makro ini kemudian dianalisis pola dan karakteristiknya dengan melihat korelasinya dengan variabel referensi yakni produk domestik bruto (PDB) pendekatan statistik khusus untuk mengestimasi trend dan komponen siklikal yang diaplikasikan dalam penelitian ini adalah Hodrick-Prescott fillter (HPF).

Hodrick-Prescott filter digunakan untuk menghitung deret waktu τ Ct kedalam komponen trend τtdan komponen siklikal Ct. Komponen trend yang bersifat stochastic dan berubah secara kontinyu secara alamiah sepanjang waktu. Komponen trend dan komponen siklikal merupakan dua komponen yang tidak berkorelasi.

Gail dalam Supriana (2004) berpendapat bahwa trend diperoleh dengan mengasumsikan bahwa jumlah total kuadrat turunan kedua dari τt adalah kecil.

25 Jika τt adalah trend dari deret waktu (time series) yt, maka secara formal estimasi τt dapat diperoleh dengan meminimalisasi fungsi kerugian (loss function) sebagai berikut :

……...….(3.5) Dimana: [yt-τt] merupakan komponen siklikal dalam HPF. Masalah optimisasi dapat diselesaikan melalui syarat kecukupan (necessary condition) dibawah ini :

-2(yt-τt)+2λ[(τt-τt-1)-(τt-1-τt-2)]-

4λ[(τt+1-τt)-(τt-τt-1)]+2λ[(τt+2-τt+1)-(τt+1-τt)] = 0 ……….(3.6) Melalui aljabar sederhana dapat diperoleh :

Yt=[ λL-2

-4λL-1+(6+1)-4λL+λL2]τt =[λ(1-L)2(1-L-1)2+1]τt

= F (L)τt……….……(3.7)

Dimana L adalah lag operator dan F(L) adalah bentuk polinom dari lag operator komponen siklikal [yt-τt] dapat dihitung melalui :

CtHP = [F(L)-1][F(L)]-1yt………(3.8)

Dimana C(L) adalah bentuk polinom dari lag operator. Nilai λ yang digunakan untuk data triwulanan adalah 1600.

Metode yang digunakan untuk mengestimasi trend adalah metode HPF yang dilakukan dengan menggunakan software E-Views 8. sedangkan untuk proses detrending (pemisahan unsur siklikal dari unsur trend-nya) dilakukan dengan menggunakan program microsoft Excel.

Analisis Pola dan Karakteristik Business Cycle

Supriana (2004) menyatakan bahwa fluktuasi siklikal dideskripsikan berdasarkan struktur korelasi silang (cross corelation) dari komponen siklikal. Hal ini dilakukan untuk mengetahui fakta variabel ekonomi makro yang diobservasi. Jika komponen siklikal dari variabel ekonomi makro Xt, t = 1,...,t, maka koefisien korelasi silang antara Xt dengan komponen siklikal PDB dalam t, adalah ρ(j), jε(0,±1,±2,…). Nilai ρ(j) untuk j=0, memberikan informasi arah dan tingkat hubungan dari variabel relatif terhadap PDB. Nilai koefisien korelasi positif dan mendekati satu menunjukan variabel tersebut pro-siklikal. Sedangkan koefisien korelasi dengan nilai yang sama tetapi berlawanan arah (negatif) disebut kontra- siklikal. Nilai yang tidak berbeda nyata dari nol menunjukkan bahwa variabel tersebut tudak bekorelasi dengan PDB yang disebut a-siklikal.

Untuk j = 0, koefisien korelasi silang dapat menunjukan fase pergerakan (phase shift) komponen siklikal variabel Xj relatif terhadap siklikal PDB. Xj disebut leading (lagging) siklikal terhadap PDB jika nilai mutlak dari ρ(j) mencapai maksimum untuk j<0(j>0). Jika nilai maksimum secara absolut dicapai untuk j = 0, maka dikatakan Xj co-incident dengan siklus variabel referensi. Sehingga suatu komponen siklikal dikatakan leading ketika nilai mutlak koefisien korelasi silang mencapai maksimum pada j<0, suatu komponen siklikal dikatakan lagging ketika nilai mutlak koefisien korelasi silang mencapai maksimum pada

26

j>0, sedangkan ketika nilai mutlak koefisien korelasi silang mencapai maksimum pada j=0 maka komponen siklikal tersebut merupakan co-incident terhadap variabel acuan. Korelasi silang yang digunakan dalam penelitian ini adalah korelasi silang Pearson yang dapat diformulasikan sebagai berikut :

………(3.9)

Karakteristik Volatilitas

Proses penentuan kategori volatilitas dari pergerakan siklikal suatu indikator dilakukan dengan cara mencari nilai standar deviasi dari seri data terlebih dahulu untuk kemudian dibagi dengan nilai rata-rata dari seri data yang telah dipisahkan dari unsur trendnya. Hasil dari pembagian tersebut diubah menjadi bentuk persentase. Kriteria yang harus diperhatikan adalah untuk indikator yang memiliki Coefficient Variation (CV) lebih dari 100 persen berarti volatilitasnya tergolong tinggi. Sedangkan indikator yang memiliki CV lebih dari 50 persen tapi kurang dari 100 persen termasuk dalam kategori volatilitasnya medium, dan untuk indikator yang CV-nya kurang dari 50 persen termasuk dalam indikator yang volatilitasnya rendah. Berikut merupakan cara penghitungan secara coefficient of variation:

Kerangka Kerja

Dalam penelitian ini utang pemerintah merupakan variabel eksogen utama sedangkan fokus penelitian ini menganalisis respon pertumbuhan (business cycle)

………...………..(3.10)

…………..………...………(3.11)

27 dan variabel ekonomi makro Indonesia lainnya terhadap utang pemerintah tersaji pada Gambar 12.

Gambar 12 Kerangka kerja

1. Bagaimana pengaruh utang pemerintah terhadap pertumbuhan ekonomi

2. Bagaimana dampak guncangan pada utang pemerintah terhadap pertumbuhan ekonomi

3. Bagaimana korelasi silang (cross correlation) utang pemerintah terhadap pertumbuhan

ekonomi

Data

Utang Pemerintah (SBN & Pinjaman), PDB Riil, Nilai Tukar Riil, SBI Nominal, Net Ekspor Riil

Adjusting for seasonality

HPF :

 Estimasi Komponen Trend

 Estimasi Komponen Siklikal

Detrended :

Pemisahan Komponen Trend dan Siklikal

Cross Corelation

Bentuk Korelasi Silang (Cross Corelation utang pemerintah terhadap

pertumbuhan ekonomi

Dokumen terkait